首页 > 南京大学学报（自然科学） > 基于可解释多任务学习模型揭示糖尿病联合并发症的关键特征及预测建模

基于可解释多任务学习模型揭示糖尿病联合并发症的关键特征及预测建模

Interpretable multitask learning-based model reveals key features and predictive modelling of joint complications in diabetes mellitus

二维码有效期 120s

摘要糖尿病并发症是引起糖尿病患者死亡的重要因素,揭示并发症的关键特征能有效地帮助医生制定针对性干预策略,从而降低糖尿病患者并发症状况下的死亡风险.然而,既往研究大多集中在识别糖尿病单一并发症的风险因素上,忽略了并发症之间的潜在关联,因此,基于国家人口健康科学数据中心提供的糖尿病并发症预警数据集,采用皮尔逊相关系数和卡方检验筛选出显著相关的糖尿病并发症,并将其纳入多任务学习模型中进行联合建模.接着使用SHAP(SHapley Additive exPlanations)评估各特征的重要性,筛选出SHAP的值高于75%分位数的11个特征作为糖尿病联合并发症的重要风险因素.基于随机森林、逻辑回归、梯度提升模型、极限梯度提升模型、自适应增强算法以及类别特征梯度提升模型构建糖尿病联合并发症预测模型,输入变量为SHAP的值高于25%分位数的特征,结合网格搜索选择最优参数组合,并通过准确率、精确率、F1-score、AUC等指标评估模型的预测性能.结果表明,采用可解释的多任务学习模型筛选出来的特征是关键特征,六种预测模型的AUC均接近 0.90.最后引入LIME(Local Interpretable Model-Agnostic Explanations)对模型进行解释,进一步验证所构建的可解释多任务学习模型筛选关键特征的有效性与可靠性.可解释多任务学习模型充分考虑了并发症之间的潜在关系,能够准确地识别糖尿病联合并发症的关键风险因素,辅助医生制定针对性干预策略,有助于减少患者因并发症导致的死亡.